TW202044394A - 基板處理系統 - Google Patents

基板處理系統 Download PDF

Info

Publication number
TW202044394A
TW202044394A TW109116511A TW109116511A TW202044394A TW 202044394 A TW202044394 A TW 202044394A TW 109116511 A TW109116511 A TW 109116511A TW 109116511 A TW109116511 A TW 109116511A TW 202044394 A TW202044394 A TW 202044394A
Authority
TW
Taiwan
Prior art keywords
series data
time series
aforementioned
substrate processing
time
Prior art date
Application number
TW109116511A
Other languages
English (en)
Inventor
鳥越恒男
畠山雅規
中込良
Original Assignee
日商荏原製作所股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商荏原製作所股份有限公司 filed Critical 日商荏原製作所股份有限公司
Publication of TW202044394A publication Critical patent/TW202044394A/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/11—Lapping tools
    • B24B37/20—Lapping pads for working plane surfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/34—Accessories
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B57/00—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents
    • B24B57/02—Devices for feeding, applying, grading or recovering grinding, polishing or lapping agents for feeding of fluid, sprayed, pulverised, or liquefied grinding, polishing or lapping agents
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)

Abstract

本發明可促使基板處理裝置省力、節能、及/或低成本化。本發明具備：設置於基板處理裝置，檢知在對象基板處理中之對象物理量的感測器；及藉由將藉由該感測器檢知之物理量的時間序列資料或是以時間微分該物理量之時間序列資料的時間序列資料，輸入完成學習之機械學習模型，並輸出結束研磨之時序的研磨終點時序之預測部；該機械學習模型係使用將過去該物理量之時間序列資料或是以時間微分該過去之物理量的時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用之資料集進行機械學習的模型。

Description

基板處理系統
本發明係關於一種基板處理系統。
製造半導體元件時會使用各種基板處理裝置，作為一個基板處理裝置而使用以研磨(CMP)裝置為代表之研磨裝置。半導體元件之配線構造係在沿著配線圖案形成溝的絕緣膜上形成金屬膜（銅膜等），然後，藉由研磨裝置除去不需要之金屬膜而形成。研磨裝置在研磨台上之研磨墊中供給研磨液（漿液），而且藉由使基板與研磨墊相對移動來研磨基板表面。
以前之研磨裝置具備檢知基板之研磨終點的研磨終點檢測裝置。該研磨終點檢測裝置係依據顯示膜厚之研磨指標值（例如，工作台轉矩電流、渦電流式膜厚感測器之輸出信號、光學式膜厚感測器之輸出信號）監視基板的研磨，並將除去金屬膜之時間決定為研磨終點。
從前，基板處理裝置（例如研磨裝置）之運轉資料的取得、分析、及對異常的處理，是訪問該基板處理裝置之維修人員來進行。此時，例如是藉由以電話或郵件與設計或開發部門對話來進行。
例如，遠距監視複數個研磨終點檢測裝置，且為了進行遠距操作，專利文獻1中揭示有具備複數個研磨終點檢測裝置；及經由網路而連接於複數個研磨終點檢測裝置之主電腦。而後，專利文獻1中記載有主電腦具有儲存從複數個研磨終點檢測裝置送來之研磨終點檢測資料的記憶體；及顯示研磨終點檢測資料之顯示畫面；主電腦對從複數個研磨終點檢測裝置選出之至少1個研磨終點檢測裝置傳送新的研磨終點檢測方案，而重寫該選出之至少1個研磨終點檢測裝置的研磨終點檢測方案。 [先前技術文獻] [專利文獻】
[專利文獻1]日本特開2013-176828號公報
（發明所欲解決之問題）
但是，由於重寫研磨終點檢測方案時仍然需要花費人力，因此要求省力化、裝置、單元（等之動作）、工廠的自動化。此外，要求縮短基板處理裝置之故障時間，減少相關人員之移動、分析、對異常之因應對策的制定等之時間與成本，省力、節能、及/或低成本化，裝置、單元（等之動作）、及/或工廠的自動化。
本發明係鑑於上述問題者，目的為提供一種可促使基板處理裝置省力、節能、及/或低成本化之基板處理系統。 （解決問題之手段）
本發明第一樣態之基板處理系統具備：感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量；及預測部，其係藉由將藉由前述感測器檢知之物理量的時間序列資料或是以時間微分該物理量之時間序列資料的時間序列資料，輸入完成學習之機械學習模型，並輸出結束研磨之時序的研磨終點時序；前述機械學習模型係使用將過去前述物理量之時間序列資料或是以時間微分該過去之物理量的時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用之資料進行機械學習的模型。
採用該構成時，由於可自動預測研磨終點時序，因此可減少預測研磨終點時序花費的時間與成本，可達到省力、節能、及/或低成本化。此外，過去使用以時間微分工作台旋轉馬達之電流值的時間序列資料之時間序列資料時會發生複數個極小點或極大點，而有不能即時瞭解哪個極小點或極大點之時刻是研磨終點時序的問題。另一方面，由於學習後之機械學習模型係以將過去物理量之時間序列資料或是以時間微分該過去之物理量的時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用之資料進行學習，因此，即使輸入了未知物理量之時間序列資料或以時間微分該物理量之時間序列資料的時間序列資料時，仍可使可輸出正確研磨終點時序之可能性提高。
本發明第二樣態之基板處理系統，如第一樣態的基板處理系統，其中進一步具備：判定部，其係比較藉由前述感測器所檢知之物理量的時間序列資料、與過去之時間序列資料，判定該物理量之時間序列變化有無異常；決定部，其係藉由前述判定部判定為有異常時，再度決定處理條件；及更新控制部，其係控制成以前述決定部所決定之處理條件進行更新。
採用該構成時，由於可自動預測研磨終點時序，因此可減少預測研磨終點時序之時間與成本，物理量之時間序列變化有異常時，藉由更新處理條件（方案）而自動修正研磨之結束時序。因而，由於亦可不在現場更新方案，因此可達到省力、節能、及/或低成本化。假設需要現場作業，採用比以前更輕微之作業內容即可完成。具體而言，可從波形變化精確判斷研磨終點時序，可從物理量之時間序列變化判斷研磨是否正常動作，即使研磨不正常動作時，仍可自動更新方案。
本發明第三樣態之基板處理系統，如第一或第二樣態的基板處理系統，其中前述對象之物理量係前述基板處理裝置之工作台旋轉馬達的電流值、前述基板處理裝置之上方環形轉盤旋轉馬達的電流值、或是前述基板處理裝置之工作台的轉矩，且進一步具備：挑選部，其係依據以時間微分藉由前述感測器所檢知之電流值的時間序列資料之時間序列資料，來挑選該電流值之時間序列資料；及學習部，其係藉由使用將藉由前述挑選部所挑選之電流值的時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用的資料集進行機械學習，而生成前述學習完成之機械學習模型。
採用該構成時，由於在學習用之資料集中，可僅挑選以時間微分電流值之時間序列資料的時間序列資料中僅出現希望之極小點或極大點的資料，因此，可使研磨終點時序之預測精度提高。
本發明第四樣態之基板處理系統，如第三樣態的基板處理系統，其中前述挑選部在前述以時間微分之時間序列資料中檢測不出滿足設定基準之極小點或極大點時，藉由從學習用之資料集排除該微分前之電流值的時間序列資料，來挑選前述電流值之時間序列資料。
採用該構成時，於檢測不出滿足設定基準之極小點或極大點時，可藉由從學習用之資料集排除該微分前之電流值的時間序列資料，可使研磨終點時序之預測精度提高。
本發明第五樣態之基板處理系統具備：感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量；存儲體，其係對基板之批次，與該基板處理中之過去物理量的時間序列資料之至少一個相關連而記憶；抽出部，其係參照前述存儲體，抽出對應於處理之對象基板批次的過去物理量之時間序列資料；及判定部，其係比較藉由前述感測器所檢知之物理量的時間序列資料、與藉由前述抽出部所抽出之過去的時間序列資料，判定該物理量之時間序列變化有無異常。
採用該構成時，由於可自動檢測基板處理裝置之物理量的時間序列資料中有異常，因此，可減少該異常之檢測時間與成本，可達到省力、節能、及/或低成本化。
本發明第六樣態之基板處理系統，如第五樣態的基板處理系統，其中具備：決定部，其係藉由前述判定部判定為有異常時，再度決定處理條件；及更新控制部，其係控制成以前述決定部所決定之處理條件進行更新。
採用該構成時，由於基板處理裝置之處理量的時間序列資料中有異常時，可更新處理條件（方案），因此，可減少對異常制定因應對策等的時間與成本，可達到省力、節能、及/或低成本化。
本發明第七樣態之基板處理系統具備：至少一個感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量；第一存儲體，其係對基板之批次，與該基板處理中之過去物理量的時間序列資料之至少一個相關連而記憶；抽出部，其係參照前述第一存儲體，抽出對應於處理之對象基板批次的過去物理量之時間序列資料；是否需要維修判定部，其係比較藉由前述感測器所檢知之發生異常時的物理量之時間序列資料、與藉由前述抽出部所抽出之過去的物理量之時間序列資料，判定是否需要維修；第二存儲體，其係將至少一個以上之物理量有無異常的組合、與異常原因及/或異常之解決法相關連而記憶；及原因分析部，其係藉由前述是否需要維修判定部判定為需要維修時，參照前述第二存儲體，輸出依物理量有無異常之組合的異常原因及/或異常之解決法。
採用該構成時，由於基板處理裝置之維修人員可即時掌握異常原因及/或異常之解決法，因此，可前往現地的研磨裝置等，迅速解決研磨裝置之異常。此外，可減少該異常原因之檢測及/或制定異常解決法的時間與成本，可達到省力、節能、及/或低成本化。
本發明第八樣態之基板處理系統具備：資訊處理裝置，其係以通信線路連接於複數個基板處理裝置；及霧電腦（Fog Computer）或終端機，其係以通信線路與前述資訊處理裝置連接；前述資訊處理裝置從前述複數個基板處理裝置收集資料，對該收集之資料實施處理，並將處理結果傳送至前述霧電腦2b或前述終端機，前述霧電腦或前述終端機接收前述處理結果時，以輸出該處理結果之方式進行控制。
採用該構成時，霧電腦或終端機可輸出資訊處理裝置處理從複數個基板處理裝置收集之資料的結果。
本發明第九樣態之基板處理系統，如第八樣態的基板處理系統，其中前述資訊處理裝置具有以下手段：從前述收集之資料抽出基板處理條件、基板處理台狀態、及/或修整均勻性達基準以上有關連的參數；及在基板處理裝置之間比較前述抽出之參數，依比較結果更新前述資料中至少一個參數。
採用該構成時，由於可接近基板處理條件（例如研磨條件）、基板處理台狀態（例如研磨台狀態）、及/或修整均勻性，因此可減少在基板處理裝置（例如研磨裝置）之間的基板處理（例如研磨）之變動。 （發明之效果）
採用本發明一個樣態時，由於可自動預測研磨終點時序，因此可減少預測研磨終點時序花費的時間與成本，由於研磨中有異常時可自動更新方案，因此可達到省力、節能、及/或低成本化。此外，過去使用以時間微分工作台旋轉馬達之電流值的時間序列資料之時間序列資料時會發生複數個極小點或極大點，而有不能即時瞭解哪個極小點或極大點之時刻是研磨終點時序的問題。該問題一方面從時間序列資料之波形形狀檢測困難，另一方面時間序列資料之波形載入雜訊而檢測困難。對於此，由於機械學習等之AI藉由適用於波形分析、消除雜訊、趨勢分析可解決該問題。具體而言，學習後之機械學習模型係以將過去物理量之時間序列資料或是以時間微分該過去之物理量的時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用之資料進行學習，因此，即使輸入了未知物理量之時間序列資料或以時間微分該物理量之時間序列資料的時間序列資料時，仍可使可輸出正確研磨終點時序之可能性提高。 採用本發明之另外樣態時，由於可自動檢測基板處理裝置之物理量的時間序列資料中有異常，因此可減少檢測該異常花費的時間與成本，可達到省力、節能、及/或低成本化。 採用本發明之另外樣態時，由於基板處理裝置之維修人員可即時掌握異常原因及/或異常之解決法，因此，可前往現地的研磨裝置等，迅速解決研磨裝置之異常。此外，可減少該異常原因之檢測及/或制定異常解決法的時間與成本，可達到省力、節能、及/或低成本化。
以下，就各種實施形態參照圖式作說明。但是，有時省略無必要之詳細說明。例如，有時省略已經熟知之事項的詳細說明及實質地省略對相同構成之重複說明。這是為了避免以下之說明不必要地冗長，並使熟悉本技術之業者容易理解。
本實施形態使用研磨裝置作為基板處理裝置之一例來說明。此外，本實施形態之研磨裝置具備檢知基板之研磨終點的研磨終點檢測裝置。該研磨終點檢測裝置依據顯示膜厚之研磨指標值（例如，工作台旋轉馬達之電流值、工作台之轉矩或上方環形轉盤旋轉馬達之電流值等之表示轉矩的輸出信號、渦電流式膜厚感測器之輸出信號、光學式膜厚感測器之輸出信號）監視基板的研磨，並將除去金屬膜之時間決定為研磨終點。本實施形態一個例子作為顯示膜厚之研磨指標值，係使用工作台旋轉馬達之電流值者作說明。
圖1係顯示第一種實施形態之基板處理系統的概略構成圖。如圖1所示，基板處理系統S1中，每間工廠FAB-1、…工廠FAB-M（M係正整數）設有研磨裝置1-1~1-N（N係正整數）。另外，此處為了簡單說明，係說明每間工廠之研磨裝置的數量相同，不過亦可不同。
基板處理系統S1中，每間工廠FAB-1、…工廠FAB-M（M係正整數）設有方案伺服器5、警報伺服器6。研磨裝置1-1~1-N、方案伺服器5及警報伺服器6藉由區域網路LN-i（i係1至M之整數）可通信地連接。
又一例為工廠FAB-1中設有程序裝置4。又一例為工廠FAB-1中設有工廠管理中心-FC，該工廠管理中心-FC中設有可與程序裝置4通信地連接之Fog伺服器2、可與Fog伺服器2通信地連接之PC（個人電腦）3。此處，Fog伺服器2連接於總體網路GN，並經由總體網路GN可與方案伺服器5、警報伺服器6、解析伺服器7、預知保全伺服器8通信。
各方案伺服器5連接於總體網路GN，並可與設於分析中心AC之解析伺服器7及預知保全伺服器8通信。此外，各警報伺服器6連接於總體網路GN，並可與設於分析中心AC之解析伺服器7及預知保全伺服器8通信。基板處理系統S1具備解析伺服器7及預知保全伺服器8，解析伺服器7及預知保全伺服器8連接於總體網路GN。再者，基板處理系統S1具備終端裝置9，該終端裝置9連接於總體網路GN，終端裝置9可與預知保全伺服器8通信。以下，將研磨裝置1-1~1-N統稱為研磨裝置1。
圖2係顯示第一種實施形態之研磨裝置1的模式圖。該研磨裝置1係化學機械性研磨基板之研磨(CMP)裝置。研磨裝置1如圖2所示，具備：研磨台30；連結於上方環形轉盤軸桿34之下端的上方環形轉盤35；及檢測研磨終點之處理器10。上方環形轉盤軸桿34經由定時皮帶等連結機構可連結於上方環形轉盤旋轉馬達41而旋轉驅動。上方環形轉盤35藉由該上方環形轉盤軸桿34之旋轉，可以上方環形轉盤軸桿34為中心在箭頭指示之方向旋轉。研磨之基板（例如晶圓）W藉由真空吸附或以隔膜吸附而保持於上方環形轉盤35的下面。
研磨台30經由台軸30a而連結於配置在其下方之台旋轉馬達40，研磨台30藉由該台旋轉馬達40可以台軸30a為中心在箭頭指示之方向旋轉。在該研磨台30之上面貼合有研磨墊32，研磨墊32上面之研磨面32a研磨基板W。在研磨台30之上方配置有用於在研磨面32a上供給研磨液（漿液）的研磨液供給機構38。
基板W之研磨進行如下。上方環形轉盤35及研磨台30分別藉由上方環形轉盤旋轉馬達41、台旋轉馬達40而旋轉，在研磨墊32之研磨面32a上從研磨液供給機構38供給研磨液。在該狀態下，上方環形轉盤35對研磨面32a按壓基板W。基板W藉由與研磨墊32滑動接觸之機械性作用與研磨液的化學性作用而被研磨。
台旋轉馬達40連接有檢測馬達電流之台馬達電流檢測部45。再者，台馬達電流檢測部45連接於處理器10。基板W研磨中，因為基板W之表面與研磨墊32的研磨面32a滑動接觸，所以在基板W與研磨墊32之間產生摩擦力。該摩擦力作為阻力矩而作用於台旋轉馬達40。
研磨裝置1進一步具備：處理器10；及連接於該處理器10之通信電路11。處理器10將藉由台馬達電流檢測部45量測之馬達電流（轉矩電流）的時間序列資料從通信電路11輸出至方案伺服器5。處理器10從方案伺服器5並經由通信電路11取得依該馬達電流（轉矩電流）之時間序列資料而傳送的研磨終點時序。
具有積層構造之基板中形成有種類不同之複數個膜。藉由研磨而除去最上方之膜時，其下方的膜出現於表面。通常，因為此等膜具有不同之硬度，所以除去上方的膜而下方的膜出現時，基板W與研磨墊32之間的摩擦力變化。該摩擦力之變化可作為關於台旋轉馬達40之轉矩變化而檢測。
解析伺服器7之後述的學習部762藉由使用將過去之物理量的時間序列資料作為輸入，將過去之研磨終點時序作為輸出的學習用之資料集進行機械學習，而生成學習完成之機械學習模型。此處，提供學習部762之學習用的資料集包含之研磨終點時序，係作業人員或具有判定功能之機器依據流入台旋轉馬達40之電流變化，判斷膜被除去，亦即判斷研磨終點時序者。另外，亦可不設台馬達電流檢測部45，而由處理器10監視從連接於台旋轉馬達40之馬達驅動器（無圖示）輸出的電流。
研磨裝置1中例如設有感測器21~24。感測器21檢知水或漿液之流量。感測器22檢知研磨壓力。感測器23檢知研磨台30之轉數。感測器24檢知上方環形轉盤35之轉數。此等檢測信號輸出至處理器10，處理器10從通信電路11將此等檢測信號傳送至其他伺服器。
圖3係顯示第一種實施形態之方案伺服器5的概略構成圖。如圖3所示，方案伺服器5具備：輸入介面51、通信電路52、存儲體53、記憶體54、輸出介面55、及處理器56。
輸入介面51例如係鍵盤，受理來自方案伺服器5之管理人的輸入。通信電路52經由連接之區域網路LN-i（i係1~M之整數）而與研磨裝置1-1~1-N、警報伺服器6通信。此外，通信電路-52經由總體網路GN而與解析伺服器7、預知保全伺服器8通信。此等通信亦可係有線，亦可係無線，不過，係以有線者為一例做說明。
存儲體53儲存有處理器56讀取而用於執行之程式及各種資料，例如係非揮發性記憶體（例如，硬碟機）。 記憶體54暫時保持資料及程式，例如，係揮發性記憶體（例如，RAM（隨機存取記憶體））。
輸出介面55係與外部設備連接之介面。
處理器56從存儲體53將程式載入記憶體54，藉由執行該程式中包含之一連串命令而發揮預測部561、抽出部562之功能。
圖4係記憶於方案伺服器5之存儲體的表之一例。如圖4所示，在表T1中保存有晶圓之批次、馬達電流之時間序列資料、水或漿液之流量的時間序列資料、研磨壓力之時間序列資料、研磨台轉數之時間序列資料、上方環形轉盤轉數之時間序列資料等組合的記錄。因此，存儲體53中對基板之批次至少一個相關連地記憶有該基板處理中過去對象之物理量（例如，馬達電流、水或漿液之流量、研磨壓力、研磨台轉數）的時間序列資料。
圖5係顯示第一種實施形態之警報伺服器6的概略構成圖。如圖5所示，警報伺服器6具備：輸入介面61、通信電路62、存儲體63、記憶體64、輸出介面65、及處理器66。
輸入介面61例如係鍵盤，受理來自警報伺服器6之管理人的輸入。 通信電路62經由連接之區域網路LN-i（i係1~M之整數）而與研磨裝置1-1~1-N、方案伺服器5通信。此外，通信電路62經由總體網路GN而與解析伺服器7、預知保全伺服器8通信。此等通信亦可係有線，亦可係無線，不過，係以有線者為一例做說明。
存儲體63儲存有處理器66讀取而用於執行之程式及各種資料，例如係非揮發性記憶體（例如，硬碟機）。 記憶體64暫時保持資料及程式，例如，係揮發性記憶體（例如，RAM（隨機存取記憶體））。
輸出介面65係與外部設備連接之介面。
處理器66從存儲體63將程式載入記憶體64，藉由執行該程式中包含之一連串命令而發揮判定部661、更新控制部662、是否需要維修判定部663之功能。
圖6係顯示第一種實施形態之解析伺服器7的概略構成圖。如圖6所示，解析伺服器7具備：輸入介面71、通信電路72、存儲體73、記憶體74、輸出介面75、及處理器76。
輸入介面71例如係鍵盤，受理來自解析伺服器7之管理人的輸入。 通信電路72經由總體網路GN而與方案伺服器5、警報伺服器6、預知保全伺服器8通信。此等通信亦可係有線，亦可係無線，不過，係以有線者為一例做說明。
存儲體73儲存有處理器76讀取而用於執行之程式及各種資料，例如係非揮發性記憶體（例如，硬碟機）。 記憶體74暫時保持資料及程式，例如，係揮發性記憶體（例如，RAM（隨機存取記憶體））。
輸出介面75係與外部設備連接之介面。
處理器76從存儲體73將程式載入記憶體74，藉由執行該程式中包含之一連串命令而發揮挑選部761、學習部762、原因分析部763之功能。
圖7係記憶於解析伺服器7之存儲體73的表之一例。如圖7所示，表T2保存有識別記錄之識別資訊的記錄ID、馬達電流有無異常、水或漿液之流量有無異常、研磨壓力有無異常、研磨台轉數有無異常、上方環形轉盤轉數有無異常、異常之原因、該異常之解決法的組合之記錄。因此，存儲體83將至少一個以上物理量有無異常之組合與異常原因及/或異常的解決法相關連而記憶。
圖8係顯示第一種實施形態之預知保全伺服器8的概略構成圖。如圖8所示，預知保全伺服器8具備：輸入介面81、通信電路82、存儲體83、記憶體84、輸出介面85、及處理器86。
輸入介面81例如係鍵盤，受理來自預知保全伺服器8之管理人的輸入。通信電路82經由總體網路GN而與方案伺服器5、警報伺服器6、解析伺服器7通信。此等通信亦可係有線，亦可係無線，不過，係以有線者為一例做說明。
存儲體83儲存有處理器86讀取而用於執行之程式及各種資料，例如係非揮發性記憶體（例如，硬碟機）。 記憶體84暫時保持資料及程式，例如，係揮發性記憶體（例如，RAM（隨機存取記憶體））。
輸出介面85係與外部設備連接之介面。
處理器86從存儲體83將程式載入記憶體84，藉由執行該程式中包含之一連串命令而發揮決定部861之功能。
圖9係顯示馬達電流與該馬達電流之微分值的波形之一例的模式圖。波形G1顯示馬達電流與研磨時間之關係，波形G2顯示馬達電流之微分值與研磨時間的關係。如波形G2所示，出現極小點P1情況下，可判斷為終點檢知時序係成為該極小點P1之時刻t1。
但是，該極小點（或極大點）有複數個情況下，會有無法即時判斷哪個極小點（或極大點）係終點檢知時序的問題。此外，波形中載有雜訊時，亦有無法正常進行判定之問題。本實施形態之一例藉由解析伺服器7之學習部762藉由使用將過去之馬達電流值的時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用的資料集進行機械學習，生成學習完成之機械學習模型來解決該問題。
圖10係顯示馬達電流與該馬達電流之微分值的波形之其他例的模式圖。波形G3顯示馬達電流與研磨時間之關係，波形G4顯示馬達電流之微分值與研磨時間的關係。由於波形G4不出現極小點（或極大點），因此作業人員無法判斷終點檢知時序。因而，需要從學習用資料集除去該資料。
因而，解析伺服器7之挑選部761依據以時間微分藉由感測器檢知之電流值的時間序列資料之時間序列資料，挑選該電流值之時間序列資料。具體而言，例如挑選部761在以該時間微分之時間序列資料中檢測不出滿足設定基準之極小點或極大點時，藉由排除該微分前之電流值的時間序列資料，來挑選該電流值之時間序列資料。藉此，當檢測不出滿足設定基準之極小點或極大點時，藉由從學習用資料集排除該微分前之電流值的時間序列資料，可使研磨終點時序之預測精度提高。
此處所謂設定基準，例如係電流值之微分值低於預設的臨限值（或臨限值以下之）條件。此外，例如，以時間微分之時間序列資料的極小點，由於已知原來電流值之時間序列資料的二次微分值為0，且三次微分值為正，因此，設定基準在將原來電流值之時間序列資料的二次微分值為0作為基準所預設的範圍，且亦可係原來電流值之時間序列資料的三次微分值為正的條件。
而解析伺服器7之學習部762例如藉由使用將藉由挑選部761所挑選之電流值的時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用資料集進行機械學習，而生成學習完成之機械學習模型。此處，機械學習模型例如係使用將電流值之時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用資料集進行機械學習的模型。學習完成之機械學習模型例如輸入電流值之時間序列資料時，係輸出研磨終點時序之後補值與該後補值之正確答案概率者。
採用該構成時，在學習用資料集中，由於可在以時間微分電流值之時間序列資料的時間序列資料中挑選僅出現希望之極小點（或極大點）的資料，因此可使研磨終點時序之預測精度提高。
另外，該電流值係說明研磨裝置1之工作台旋轉馬達的電流值，作為本實施形態之一例，不過不限於此，亦可係研磨裝置1之上方環形轉盤旋轉馬達之電流值，或是研磨裝置1之工作台的轉矩。
圖11係用於說明本實施形態之研磨終點時序的生成處理之模式圖。如圖11所示，解析伺服器7之學習部762將學習完成之機械學習模型傳送至方案伺服器5的預測部561。藉此，解析伺服器7之學習部762可隨時更新預測部561使用的學習完成之機械學習模型。
方案伺服器5之預測部561從學習部762接收學習完成之機械學習模型時，保存於存儲體53。研磨裝置1之處理器10於每次取得工作台旋轉馬達之電流值（馬達電流）時，將其資料輸出至預測部561。方案伺服器5之預測部561每次從研磨裝置1接收工作台旋轉馬達之電流值（馬達電流）時，將從開始研磨至此所接收之工作台旋轉馬達的電流值（馬達電流）之時間序列資料輸入學習完成之機械學習模型，並輸出研磨終點時序之每個後補值的正確答案概率。藉此，預測部561就時刻變化之馬達電流，從至此之馬達電流的時間序列資料時刻輸出研磨終點時序之每個後補值的正確答案概率，其後補值之正確答案概率超出臨限值概率（例如90％）時，將其研磨終點時序之預測值作為輸出的研磨終點時序。
因此，預測部561藉由將藉由感測器（此處之一例係台馬達電流檢測部45）所檢知之物理量（此處之一例為工作台旋轉馬達的電流值）之時間序列資料輸入學習完成之機械學習模型，而輸出結束研磨之時序的研磨終點時序。 藉此，因為使用過去出現複數個極小點（或極大點）時工作台旋轉馬達之電流值的時間序列資料、與當時正確的研磨終點時序進行學習，所以，即使工作台旋轉馬達之電流值的微分值之時間序列波形上出現複數個極小點（或極大點）時，可預測哪一個極小點（或極大點）之時序是正確的研磨終點時序。
方案伺服器5之預測部561控制成將該輸出之研磨終點時序傳送至研磨裝置1。藉此，研磨裝置1之處理器10可取得研磨終點時序。
另外，作為學習用資料集之輸入，係使用過去馬達電流值之時間序列資料做說明，不過不限於此，亦可使用過去馬達電流值之微分值的時間序列資料。此時，挑選部761亦可依據以時間微分藉由感測器所檢知之物理量（此處之一例為工作台旋轉馬達的電流值）之時間序列資料的時間序列資料，來挑選以該時間微分之時間序列資料。而後，學習部762亦可藉由使用將藉由挑選部761所挑選之「以時間微分物理量（此處之一例為工作台旋轉馬達的電流值）之時間序列資料的時間序列資料」作為輸入，並將研磨終點時序作為輸出之學習用資料集進行機械學習，而生成學習完成之機械學習模型。
此時，機械學習模型係使用將以時間微分物理量（此處之一例係工作台旋轉馬達的電流值）之時間序列資料的時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用資料集進行機械學習的模型。此外，此時預測部561藉由將以時間微分藉由感測器（此處之一例為台馬達電流檢測部45）所檢知之物理量（此處之一例為工作台旋轉馬達的電流值）的時間序列資料之時間序列資料輸入學習完成的機械學習模型，而輸出結束研磨之時序的研磨終點時序。
圖12係用於說明本實施形態之處理條件（方案）的更新處理之模式圖。研磨裝置1之處理器10將晶圓之批次、水/或漿液之流量、研磨壓力、研磨台轉數、或上方環形轉盤轉數等之第二物理量輸出至方案伺服器5。此處，第二物理量係在對象基板處理中之物理量，且係藉由設置於基板處理裝置（此處之一例為研磨裝置1）之第二感測器（此處之一例為感測器21~24）所檢知的物理量。
方案伺服器5之抽出部562參照存儲體53抽出對應於處理之對象基板的批次（此處之一例為從處理器10接收之晶圓的批次）之過去的物理量（例如，工作台旋轉馬達之電流值、水/或漿液之流量、研磨壓力、研磨台轉數、及/或上方環形轉盤轉數等至少一個）之時間序列資料。此處，在存儲體53中，基板之批次、與該基板處理中之過去的物理量（例如，工作台旋轉馬達之電流值、水/或漿液之流量、研磨壓力、研磨台轉數、及/或上方環形轉盤轉數等至少一個）之時間序列資料相關連而記憶。此時，例如抽出部562亦可在存儲體53中抽出對應於處理之對象基板批次的過去時間序列資料中之一個或複數個，亦可抽出該時間序列資料之平均值、該時間序列資料之中央值等的統計值。
而後，抽出部562將該抽出之時間序列資料作為過濾資料（Filter Data）中包含的一個資料，控制傳送至警報伺服器6之通信電路52。
警報伺服器6之判定部661比較藉由感測器（此處之一例為台馬達電流檢測部45、或感測器21~24）所檢知之物理量（例如，工作台旋轉馬達之電流值、水/或漿液之流量、研磨壓力、研磨台轉數、及/或上方環形轉盤轉數等至少一個）的時間序列資料，與藉由前述抽出部562所抽出之過去的時間序列資料，判定該物理量之時間序列變化有無異常。採用該構成時，由於可自動檢測研磨裝置1之物理量的時間序列資料中有異常，因此，可減少檢測該異常之時間與成本，可達到省力、節能、及/或低成本化。
例如，此次，藉由台馬達電流檢測部45所檢知之物理量的時間序列資料超出將藉由抽出部562所抽出之時間序列資料作為基準而設定的範圍時，判定部661判定為有異常，另外，在將藉由抽出部562所抽出之時間序列資料作為基準而設定的範圍內時，判定為無異常。判定部661在判定為有異常時，為了更新研磨裝置1之處理條件（方案），而向預知保全伺服器8要求處理條件（方案）。
據此，預知保全伺服器8之決定部861在藉由判定部661判定為有異常時，再度決定處理條件（方案）。決定部861控制通信電路82將該再度決定之處理條件（方案）傳送至警報伺服器6。取得該再度決定之處理條件（方案）的更新控制部662控制成以藉由決定部861所決定之處理條件進行更新。此時，更新控制部662控制通信電路62向研磨裝置1傳送該處理條件。如此自動判定異常，（1）自動更新方案；（2）更新方案後，該方案更新之結果報告；（3）即使更新方案仍然異常時通知警報。藉此，維修人員迅速行動，且自動行動時可藉由自動行動達到省力。
採用該構成時，於研磨裝置1之物理量的時間序列資料中有異常時，由於可更新處理條件（方案），因此可減少對異常制定因應對策等的時間與成本，可達到省力、節能、及/或低成本化。
圖13係用於說明本實施形態之是否需要維修判定處理的模式圖。如圖13所示，處理器10控制通信電路11將異常履歷及包含藉由感測器（此處之一例為台馬達電流檢測部45、及/或感測器21~24）所檢知之發生異常時對象物理量的時間序列資料之相關資料集，傳送至是否需要維修判定部663。此外，處理器10控制通信電路11將晶圓之批次傳送至抽出部562。
存儲體53（第一存儲體）中，對基板之批次與該基板處理中之過去物理量的時間序列資料之至少一個相關連而記憶。抽出部562參照存儲體53（第一存儲體）抽出對應於處理之對象基板批次的過去物理量之時間序列資料（例如，工作台旋轉馬達之電流值、水/或漿液之流量、研磨壓力、研磨台轉數、及/或上方環形轉盤轉數等至少一個）。該抽出之過去物理量的時間序列資料（過去感測值之時間序列資料）傳送至是否需要維修判定部663。
是否需要維修判定部663比較藉由感測器（此處之一例為台馬達電流檢測部45、及/或感測器21~24）所檢知之發生異常時的物理量之時間序列資料、與藉由抽出部562所抽出之過去物理量的時間序列資料，來判定是否需要維修。
圖14係用於說明是否需要維修判定部663之比較處理的圖。如圖14所示，發生異常時之物理量的時間序列資料為顯示有馬達電流之時間序列變化W1、漿液流量之時間序列變化W2、及研磨壓力之時間序列變化W3。另外，顯示有過去之漿液流量的時間序列資料之平均AW、平均AW-2σ（σ係標準偏差）、平均AW＋2σ，並顯示有漿液流量之時間序列變化W2脫離將過去漿液流量之時間序列資料的平均AW作為基準而預設的範圍（例如，AW-2σ~AW＋2σ）。因此，當發生異常時之物理量的時間序列資料超出將相同物理量之過去的時間序列資料作為基準而預設之範圍時（或是統計性超出有效值時），是否需要維修判定部663判定為需要維修。此外，此時是否需要維修判定部663判定為漿液之流量有異常，而馬達之電流、研磨壓力無異常。是否需要維修判定部663控制通信電路62將判定之是否需要維修與發生異常時之物理量的時間序列資料（發生異常時之感測值的時間序列資料）傳送至解析伺服器7。另外，是否需要維修判定部663在比較之複數個參數（物理量之時間序列資料）中檢知一個參數異常或複數個參數異常。
如上述圖7，解析伺服器7之存儲體73（第二存儲體）中，將至少一個以上物理量之有無異常的組合與異常原因及/或異常之解決法相關連而記憶。解析伺服器7之原因分析部763在藉由是否需要維修判定部663判定為需要維修時，參照存儲體73（第二存儲體）輸出依物理量之有無異常的組合之異常原因及/或異常的解決法。解析伺服器7之原因分析部763控制通信電路72，將發生異常時之物理量的時間序列資料（發生異常時之感測值的時間序列資料）與異常原因及/或異常的解決法傳送至終端裝置9。而後，接收此等資訊之終端裝置9顯示此等資訊。藉此，由於基板處理裝置之維修人員藉由終端裝置9確認此等資訊，可即時掌握異常原因及/或異常之解決法，因此，可前往現地之研磨裝置1等，迅速解決研磨裝置1之異常。
以上，本實施形態之基板處理系統具備：設置於基板處理裝置，檢知對象基板處理中之對象物理量的感測器（此處之一例為台馬達電流檢測部45）；及藉由將該感測器（此處之一例為台馬達電流檢測部45）所檢知之物理量（此處之一例為工作台旋轉馬達的電流值）的時間序列資料或是以時間微分該物理量（此處之一例為工作台旋轉馬達的電流值）的時間序列資料之時間序列資料輸入學習完成之機械學習模型，而輸出結束研磨之時序的研磨終點時序之預測部。此處，該機械學習模型係使用將過去之前述物理量（此處之一例為工作台旋轉馬達的電流值）之時間序列資料或以時間微分該過去之物理量（此處之一例為工作台旋轉馬達的電流值）之時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用資料集進行機械學習之模型。
採用該構成時，由於可自動預測研磨終點時序，因此可減少預測研磨終點時序花費的時間與成本，可達到省力、節能、及/或低成本化。此外，以前在使用以時間微分工作台旋轉馬達之電流值的時間序列資料之時間序列資料時發生複數個極小點（或極大點），而有無法即時瞭解哪個極小點（或極大點）之時刻係研磨終點時序的問題。另一方面，由於學習後之機械學習模型係由將過去之物理量的時間序列資料或是以時間微分該過去之物理量的時間序列資料之時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用資料集進行學習，因此，即使輸入了未知物理量之時間序列資料或是以時間微分該物理量之時間序列資料的時間序列資料時，仍可使可輸出正確研磨終點時序之可能性提高。 ＜第二種實施形態＞
繼續，說明第二種實施形態。圖15係顯示第二種實施形態之基板處理系統的概略構成圖。如圖15所示，第二種實施形態之基板處理系統S2與第一種實施形態之基板處理系統S1比較，在工廠管理中心設有Fog伺服器2。Fog伺服器2為了實現在後述圖17中之Fog伺服器2的功能，而從分析資料之各伺服器取得資訊。 ＜第三種實施形態＞
圖16係顯示第三種實施形態之基板處理系統的概略構成圖。如圖16所示，第三種實施形態之基板處理系統S3與第二種實施形態之基板處理系統S2比較，每間工廠設有伺服器90。伺服器90發揮閘道伺服器（Gateway Server）之功能。伺服器90連接於總體網路GN，並且連接於對應之區域網路LN-i（i係1至M之整數）。伺服器90在各工廠中用於維修用途。
圖17係在第一~第三種實施形態之基板處理系統中，就各動作部位之功能、機構、IoT構成、優點與理由加以整理的表。研磨裝置1（其中之處理器）係設置於所謂邊緣計算時的邊緣，換言之，裝置中之控制器及裝置附近的閘道等之處理器，亦可具有以下功能。（1）研磨裝置1之處理器10使用表示量測之工作台轉矩的工作台旋轉馬達之電流值（轉矩TT）、上方環形轉盤之旋轉馬達電流值（轉矩）（TR）、上方環形轉盤搖動旋轉馬達之電流值（轉矩TROT）、光學式膜厚感測器之輸出信號（SOPM）、或是渦電流式膜厚感測器的輸出信號檢知研磨終點時序。
（2）研磨裝置1之處理器10使用量測之焊墊溫度、隔膜按壓分布、轉數或膜厚分布，執行研磨均勻化、焊墊溫度控制、隔膜按壓控制、工作台或上方環形轉盤之旋轉控制。
（3）研磨裝置1之處理器10藉由高速判定/實施更新條件，執行方案更新（高速處理/無資料保存）。
工廠管理中心之Fog伺服器2的處理器具有：（1）程序/搬送，（2）研磨時間，（3）使用時間、事件種類/次數，（4）研磨條件變動履歷，（5）方案更新、事件種類/次數，（6）事件種類/次數、前後的條件，（7）建議、警告通知的機構。 藉此，工廠管理中心之Fog伺服器2的處理器具有：（1）警告/異常管理，（2）運轉履歷管理，（3）消耗品管理，（4）運轉狀態管理，（5）方案管理，（6）緊急回避動作，（7）更換/維修通知、主要資料儲存與顯現化、簡便之關連性/趨勢分析與更新的功能。
因此，Fog伺服器2係進行工廠中複數個裝置的資料管理。藉此，可統一進行工廠中之多數裝置的狀態管理，可從裝置間之短期的趨勢分析實施下一階段的對應及更新。
分析中心AC之解析伺服器7的處理器76使用大量資料分類、關連性解析、影響解析與改良條件、設定之函數等解析（或分析）發生異常時的原因。分析中心AC之預知保全伺服器8的處理器86決定研磨條件最佳化之處理條件（改良方案），並以決定之處理條件（改良方案）更新處理條件（方案）來控制。
此外，分析中心AC之預知保全伺服器8的處理器86使用研磨裝置1之消耗品的判斷模型，預測研磨裝置1之消耗品的更換時期，並在每次更新該消耗品之判斷模型等時，更新消耗品的更換時期。藉此，由於可適切預測研磨裝置1之消耗品的更換時期，因此可保全研磨裝置1。 分析中心AC之解析伺服器7的處理器76或是預知保全伺服器8的處理器86亦可實施多裝置之資料解析與方案改良等（參數相關分析/自動程序判定等）、長期之趨勢分析與更新。
執行此等時，分析中心AC之解析伺服器7及預知保全伺服器8儲存與運用來自多間工廠的資料。藉此，運用來自多數工廠/裝置的資料實施處理條件（研磨條件、方案）之趨勢分析或影響分析。此外，運用來自多數工廠/裝置之資料製作改良模型或是判斷基準，藉由將此等更新者（更新版）送至工廠中心的Fog伺服器2，可由Fog伺服器2執行。亦即，可更新工廠中心之Fog伺服器2使用的方案、模型等。此外，分析中心AC之解析伺服器7的處理器亦可分析進行在邊緣進行之終點處理等時緩慢的時間性趨勢（例如，月或日程度），將改良後之方案送至邊緣的處理器（或是控制器）來更新對象之研磨裝置1的方案。例如，以資料中心（或是分析中心AC）進行研磨裝置1之進行終點檢知的波形資料（例如，轉矩TT之波形資料）之累積，以分析中心AC之解析伺服器7的處理器進行該研磨裝置1之波形雜訊的除去解析，AC之解析伺服器7的處理器亦可生成進行雜訊分離之前處理用學習完成模型（調整後之神經網路）來使用。從分析中心AC傳送更新用方案至邊緣之處理器或控制器，邊緣之處理器進行方案更新，亦可使用除去雜訊之前處理用學習模型。此等方案之更新可藉由網路通信自動進行。此外，無法通信時，亦可在現場藉由人工進行更新。
另外，此等分析中心AC中之處理亦可在雲端執行。
需要在邊緣側（例如研磨裝置1）高速處理時（例如實現圖16之邊緣的功能時），係以邊緣計算進行處理。研磨裝置1中之控制器（或處理器）或是在閘道側之伺服器90，例如需要100ms以下之處理時，例如線上進行終點預測（波形預測）時等需要對應依時變化時執行處理。 由於圖16中Fog伺服器2執行之功能處理、分析中心AC之各伺服器的處理是管理處理，由於亦可不必那麼早處理，因此亦可由Fog伺服器2或分析中心AC之各伺服器去執行。 ＜人工智慧（AI）之說明＞
另外，學習完成之（調整過之）機械學習模型，其輸入係從開始研磨至預測時間之馬達電流的時間序列資料，輸出係研磨終點時序之每個後補值的正確答案概率，不過，並非限於上述構成者。 機械學習模型之輸入，除了從開始研磨至預測時間之馬達電流的時間序列資料之外，亦可是從開始研磨至預測時間之工作台旋轉馬達的電流值、上方環形轉盤旋轉馬達之電流值、工作台之轉矩、在基板上照射光時散射的光強度、在基板上照射磁力線，產生之渦電流影響磁力線之強度等的感測器輸出，其他參數（焊墊溫度、隔膜按壓、研磨台或研磨台轉數、漿液量）等表示研磨裝置1之狀態的物理量之至少一個。藉此，研磨面之均勻性提高，研磨終點時序之時間序列精度進一步提高。 或是，機械學習模型之輸入亦可取代上述從開始研磨至預測時間之馬達電流的時間序列資料，而為從開始研磨至預測時間之工作台旋轉馬達的電流值、上方環形轉盤旋轉馬達之電流值、工作台之轉矩、在基板上照射光時散射的光強度、在基板上照射磁力線，產生之渦電流影響磁力線之強度等的感測器輸出，其他參數（焊墊溫度、隔膜按壓值、研磨台/上方環形轉盤轉數、漿液之流量等）等表示研磨裝置1之狀態的物理量之至少一個。
另外，機械學習模型亦可作為電腦程式產品來實現。例如係控制基板之處理的電腦程式產品，且係具體表現成非暫時性電腦記錄媒介之電腦程式產品，且在處理器中包含用於使上述處理之至少一個執行的命令。 此外，機械學習模型之輸出亦可係用於輸出控制參數之程式，亦可係修正後之參數。 ＜關於學習資料集之挑選＞
關於學習資料集，上述實施形態係使用正常之正常資料集作為終點檢知結果，不過並非限於此者。終點檢知結果亦可係異常之異常資料集，亦可係正常資料與異常資料混合的混合資料集（例如，80％以上正常資料之混合資料集）。 關於機械學習，亦可使用神經網路（例如，深度學習）、強化學習或向量支援機等自動學習。再者，該機械學習亦可以量子計算來實現。 ＜使用神經網路之第一例＞
此處，關於機械學習就使用神經網路來實現之例，使用圖18做說明。圖18係各種實施形態的神經網路之例。如圖18所示，預測部561具備：正規化器91、神經網路92、判定處理器93。預測部561以正規化器91將表示上述研磨裝置1之狀態的物理量之時間序列資料（例如，馬達電流之時間序列資料）D1 ~DN 正規化。將正規化後之資料d1 ~dN 輸入神經網路92，神經網路92生成複數個研磨終點時序之每個後補值的正確答案概率P1 ~PN （N係正整數）。判定處理器93於生成之複數個正確答案概率中有超過臨限值者時，輸出對應於超出該臨限值之正確答案概率P1 的研磨終點時序之後補值Ti 作為研磨終點時序（i係分度）。
此處，神經網路102具備：接收將表示上述研磨裝置1之狀態的物理量之時間序列資料（例如，馬達電流之時間序列資料）D1 ~DN 正規化的資料d1 ~dN 之複數個輸入節點；每個研磨終點時序分配之輸出節點，且係輸出正確答案概率之複數個輸出節點；及輸入連接於至少一個以上輸入節點之輸出且輸出連接於至少一個以上輸出節點之輸入的複數個隱藏節點。
神經網路102之一部分或全部亦可以軟體實現，一部分或全部亦可以硬體實現。以硬體實現神經網路102時，例如圖18所示，神經網路102亦可具備：構成輸入節點之第一過濾器921；構成隱藏節點之第二過濾器922；及構成輸出節點之第三過濾器923。 ＜第四種實施形態＞
繼續，說明第四種實施形態。圖19係顯示第四種實施形態之基板處理系統的概略構成圖。圖16之第三種實施形態的基板處理系統，其Fog伺服器2係連接於區域網路LN-i，而其差異為霧電腦2b係連接於伺服器100。藉此，僅將藉由資訊處理裝置之一例的伺服器100所處理的資料傳送至霧電腦2b。另外，與圖16比較，係成為預知保全伺服器8變更成預知保全伺服器8b，並刪除終端裝置9的構成。 ＜連接形態與功能要件＞
（1）在工廠內設置有伺服器100。利用該伺服器100可進行複數個基板處理裝置（亦稱為半導體製造裝置，此處之一例為研磨裝置1）之運轉資料收集與資料解析。例如，可進行對研磨條件之裝置間的差異分析。並可依其差異生成更新用參數與傳送更新用之資料等。此外，該伺服器100可連接於工廠管理用之霧電腦（例如，霧伺服器）2b及管理人用之PC3。工廠管理人可從PC3進入伺服器100解析資料及生成更新用參數。此外，可從伺服器100下載資料至霧電腦2b及管理人用之PC3，工廠管理人可利用霧電腦2b或PC3解析資料及生成更新用參數。
（2）再者，提供服務者可從工廠外部或工廠設置裝置廠房外的場所（小屋（Vendor Room）等）連接於該伺服器100。提供服務者可解析複數個基板處理裝置（亦稱為半導體製造裝置，例如研磨裝置1）之資料。此外，例如可進行研磨裝置1之研磨參數變動、研磨結果之相關分析及研磨均勻性的變動、生成用於維持均勻性之更新用參數、將該更新用參數傳送至該裝置與參數更新等。
（3）基板處理裝置（亦稱為半導體製造裝置）係研磨裝置1（亦稱為CMP裝置）、鍍覆裝置、斜面研磨裝置、檢查裝置、封裝基板研磨裝置、曝光裝置、蝕刻裝置、研磨裝置1、洗淨裝置、成膜裝置等。使用多種裝置之資料情況下，可監控處理工序前後使用之裝置列的履歷及參數變動，進行資料解析，可檢知異常、調整、消耗零件預定更換之制定等。 ＜伺服器100之功能概要＞
伺服器100從各個研磨裝置1收集研磨參數及/或感測器檢測值等資料。 伺服器100調整各個研磨裝置1之研磨參數，將研磨裝置1間之研磨狀態的差異最小化。 伺服器100使用感測器檢測值分析故障原因。藉此實現分析早期化，而預防故障。 ＜伺服器100之功能及處理項目＞ 1.伺服器100之處理器從研磨裝置1收集之收集資料
收集資料例如係以下至少任何一個。消耗品使用時間（扣環、焊墊、隔膜、修整器具、刷子、擋塊）、處理片數/單元、研磨中轉矩變動（馬達電流）、藉由內建於研磨裝置之膜厚量測器（In-Line Thickness Metrology : ITM）的膜厚量測結果、終點檢測（End Point Detection : EPD）資料、環境資料（焊墊溫度、研磨單元溫度、濕度、漿液溫度）、晶圓搬送資料（位置、轉矩、速度、加速度）等。 2.減少研磨裝置1間差異（應最小化）
伺服器100之處理器從轉矩資料（例如，研磨台旋轉用之馬達電流）及其他參數中，抽出 （1）與「研磨條件（例如，研磨量等）」相關之參數群（亦即影響研磨條件之參數群）； （2）與「研磨台情況（狀態）」相關之參數群（亦即影響研磨台情況（狀態）之參數群）；或 （3）與「修整均勻性」相關之參數群（亦即影響修整均勻性之參數群）。 此處，其抽出方法亦可藉由於主成分分析中求出固有值，來抽出各個相關的參數。
而後，伺服器100之處理器亦可以「研磨條件（例如，研磨量等）」在研磨裝置1之間的差異變小之方式，調整影響研磨條件之參數群的參數。 除此之外/換成，伺服器100之處理器亦可以「研磨台情況（狀態）」在研磨裝置1間之差異變小的方式，調整影響研磨台情況（狀態）之參數群的參數。 又加上/換成，亦可以「修整均勻性」在研磨裝置1間之差異變小的方式，調整影響研磨台情況（狀態）之參數群的參數。
初期即使是關連性高之參數，隨著時間經過關連性會變動，因此需要隨時監視關連性。因此，其一例為伺服器100之處理器亦可每個研磨裝置1算出表示有關連之參數的關連性之關連值（例如關連係數）的累積值之有助於累積的資料，並監視該有助於累積之資料在研磨裝置1之間的變動。而後，伺服器100之處理器亦可在變動超出指定範圍時，視為異常的徵兆，而更新參數（例如，該關連值高之參數）。此處，就表示關連性之關連值，亦可選擇關連值大於臨限值（例如0.5）之密切關連的參數。
伺服器100之處理器隨時監視有關連之參數的關連值，當關連係數超出預測範圍時，更新參數（例如，該關連值高之參數）。 此外，例如伺服器100之處理器，雖然原來之關連值比臨限值低，不過當關連值比臨限值高之參數新出現時，亦可更新該新的參數。 3.早期進行故障原因分析
伺服器100之處理器亦可優先在研磨裝置1間比較關連值高的參數。而後，伺服器100之處理器亦可在關連值高之參數的變動（分歧程度，例如差異等）通常超出預測的範圍時，檢測為故障原因，並更新參數（例如，該關連值高之參數）。 4.預防故障
為了預防故障，伺服器100之處理器亦可在關連值高之參數的變動（例如分歧程度，例如，差異等）超過臨限值時，輸出提醒維修的資訊。例如，伺服器100之處理器亦可輸出「最好在×（×係預定之數字）小時後進行維修」的內容。
藉此，可監視將關連值高之參數的變動（例如分歧程度）作為基礎而出問題之徵兆。此外，可有效收集、儲存、顯現研磨裝置1（CMP裝置）之運轉資料，建構解析平台。此外，就工廠內之基板處理裝置（例如研磨裝置1）或是半導體製造裝置，可將複數個裝置之資料儲存於伺服器100。 ＜使用例：故障原因分析與預防故障例＞
伺服器100將複數個研磨裝置1之資料儲存於內建或外部的存儲體進行資料解析。藉此，將故障或零件更換之停機時間最小化。為此，伺服器100例如進行焊墊、扣環、隔膜、旋轉部馬達等消耗品使用時間、處理片數、消耗度評估值、終點檢測之研磨時間的隨時間變化、研磨均勻性之隨時間變化等的資料解析，與依據其進行消耗品更換時期預測值、剩餘可使用時間估計、調整實施時期的估計等。 其次，伺服器100例如為了研磨特性之維持與穩定化（修正）而生成更新用參數，進行使用更新用參數時之消耗品更換時期預測值、剩餘可使用時間估計、調整實施時期之估計，估計使用更新參數時之維修時期，並通知工廠管理人或是提供服務者。該通知亦可以郵件、訊息服務進行通知，亦可以安裝於工廠管理人之PC3或提供服務者之終端裝置9的應用程式進行通知。 另外，上述之故障原因分析與預防，除了伺服器100之外，亦可由解析系統7及/或預知保全系統8b執行。
以上，第四種實施形態之基板處理系統具備：以通信電路連接複數個基板處理裝置（例如研磨裝置1）之伺服器100；及以通信電路與前述伺服器連接之霧電腦2b或是終端機（例如PC3）；伺服器100從複數個基板處理裝置（例如研磨裝置1）收集資料，對該收集之資料實施處理，並將處理結果傳送至前述霧電腦2b或是前述終端機（例如，PC3），前述霧電腦2b或前述終端機（例如，PC3）接收前述處理結果時，以輸出該處理結果之方式進行控制。
藉由該構成，霧電腦2b或終端機可輸出處理伺服器從複數個研磨裝置1所收集之資料的結果。
該伺服器100具有以下手段：從前述收集之資料抽出與基板處理條件（例如研磨條件）、基板處理台狀態（例如研磨台狀態）、及/或修整均勻性達基準以上有關連的參數；及在基板處理裝置（例如研磨裝置1）之間比較前述抽出之參數，並依比較結果，更新前述資料中至少一個參數。
藉此，由於可接近基板處理條件（例如研磨條件）、基板處理台狀態（例如研磨狀態）、及/或修整均勻性，因此可減少在基板處理裝置（例如研磨裝置1）之間的基板處理（例如研磨）之變動。
另外，上述實施形態說明之基板處理系統S1~S4的至少一部分亦可以硬體構成，亦可以軟體構成。以硬體構成時，亦可將實現基板處理系統S1~S3之至少一部分功能的程式儲存於軟式磁碟或CD-ROM等記錄媒介，供電腦讀取並執行。記錄媒介不限定於磁碟及光碟等可裝卸者，亦可係硬碟裝置及記憶體等固定型的記錄媒介。
此外，亦可將實現基板處理系統S1~S4之至少一部分功能的程式經由網際網路等通信線路（亦包含無線通信）分發。再者，亦可將該程式進行編碼、加以變調、或壓縮狀態下，經由網際網路等有線線路或無線線路，或是儲存於記錄媒介來分發。
此外，方法之發明中，亦可藉由電腦自動控制來實現全部工序（步驟）。此外，亦可由電腦實施各工序，並藉由人工實施工序間的進行控制。此外，進一步亦可藉由人工實施全部工序中之至少一部分。
以上，本發明並非限定於如上述之實施形態者，於實施階段可在不脫離其要旨的範圍內修改元件而具體化。此外，藉由揭示於上述實施形態之複數個元件的適當組合，可形成各種發明。例如，亦可從實施形態所示之全部元件刪除一些元件。再者，亦可適當組合不同實施形態中包含之元件。
1-1~1-N:研磨裝置 2:Fog伺服器 2b:霧電腦 3:PC 4:程序裝置 5:方案伺服器 6:警報伺服器 7:解析伺服器 8:預知保全伺服器 9:終端裝置 10:處理器 11:通信電路 21~24:感測器 30:研磨台 30a:台軸 32:研磨墊 32a:研磨面 34:上方環形轉盤軸桿 35:上方環形轉盤 38:研磨液供給機構 40:台旋轉馬達 41:上方環形轉盤旋轉馬達 45:台馬達電流檢測部 51,61,71,81:輸入介面 52,62,72,82:通信電路 53,63,73,83:存儲體 54,64,74,84:記憶體 55,65,75,85:輸出介面 56,66,76,86:處理器 90:伺服器 91:正規化器 92:神經網路 93:判定處理器 100:伺服器 561:預測部 562:抽出部 661:判定部 662:更新控制部 663:是否需要維修判定部 761:挑選部 762:學習部 763:原因分析部 861:決定部 AC:分析中心 FAB-1~FAB-M:工廠 GN:總體網路 G1~G4:波形 LN-i:區域網路 P1:極小點 S1~S4:基板處理系統 W:基板
圖1係顯示第一種實施形態之基板處理系統的概略構成圖。 圖2係顯示第一種實施形態之研磨裝置的模式圖。 圖3係顯示第一種實施形態之方案伺服器的概略構成圖。 圖4係記憶於方案伺服器之存儲體的表之一例。 圖5係顯示第一種實施形態之警報伺服器的概略構成圖。 圖6係顯示第一種實施形態之解析伺服器的概略構成圖。 圖7係記憶於解析伺服器之存儲體的表之一例。 圖8係顯示第一種實施形態之預知保全伺服器的概略構成圖。 圖9係顯示馬達電流與該馬達電流之微分值的波形之一例的模式圖。 圖10係顯示馬達電流與該馬達電流之微分值的波形之其他例的模式圖。 圖11係用於說明本實施形態之研磨終點時序的生成處理之模式圖。 圖12係用於說明本實施形態之處理條件（方案）的更新處理之模式圖。 圖13係用於說明本實施形態之是否需要維修判定處理的模式圖。 圖14係用於說明是否需要維修判定部663之比較處理的圖。 圖15係顯示第二種實施形態之基板處理系統的概略構成圖。 圖16係顯示第三種實施形態之基板處理系統的概略構成圖。 圖17係在第一~第三種實施形態之基板處理系統中，就各動作部位之功能、機構加以整理的表。 圖18係各種實施形態的神經網路之例。 圖19係顯示第四種實施形態之基板處理系統的概略構成圖。
2:Fog伺服器
3:PC
4:程序裝置
5:方案伺服器
6:警報伺服器
7:解析伺服器
8:預知保全伺服器
9:終端裝置
AC:分析中心
FAB-1~FAB-M:工廠
GN:總體網路
S1~S4:基板處理系統

Claims (9)

  1. 一種基板處理系統，係具備： 感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量；及 預測部，其係藉由將藉由前述感測器檢知之物理量的時間序列資料或是以時間微分該物理量之時間序列資料的時間序列資料，輸入完成學習之機械學習模型，並輸出結束研磨之時序的研磨終點時序； 前述機械學習模型係使用將過去前述物理量之時間序列資料或是以時間微分該過去之物理量的時間序列資料的時間序列資料作為輸入，並將過去之研磨終點時序作為輸出的學習用之資料進行機械學習的模型。
  2. 如請求項1之基板處理系統，其中進一步具備： 判定部，其係比較藉由前述感測器所檢知之物理量的時間序列資料、與過去之時間序列資料，判定該物理量之時間序列變化有無異常； 決定部，其係藉由前述判定部判定為有異常時，再度決定處理條件；及 更新控制部，其係控制成以前述決定部所決定之處理條件進行更新。
  3. 如請求項1或2之基板處理系統，其中前述對象之物理量係前述基板處理裝置之工作台旋轉馬達的電流值、前述基板處理裝置之上方環形轉盤旋轉馬達的電流值、或是前述基板處理裝置之工作台的轉矩， 且進一步具備： 挑選部，其係依據以時間微分藉由前述感測器所檢知之電流值的時間序列資料之時間序列資料，來挑選該電流值之時間序列資料；及 學習部，其係藉由使用將藉由前述挑選部所挑選之電流值的時間序列資料作為輸入，並將研磨終點時序作為輸出之學習用的資料集進行機械學習，而生成前述學習完成之機械學習模型。
  4. 如請求項3之基板處理系統，其中前述挑選部在前述以時間微分之時間序列資料中檢測不出滿足設定基準之極小點或極大點時，藉由排除該微分前之電流值的時間序列資料，來挑選前述電流值之時間序列資料。
  5. 一種基板處理系統，係具備： 感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量； 存儲體，其係對基板之批次，與該基板處理中之過去物理量的時間序列資料之至少一個相關連而記憶； 抽出部，其係參照前述存儲體，抽出對應於處理之對象基板批次的過去物理量之時間序列資料；及 判定部，其係比較藉由前述感測器所檢知之物理量的時間序列資料、與藉由前述抽出部所抽出之過去的時間序列資料，判定該物理量之時間序列變化有無異常。
  6. 如請求項5之基板處理系統，其中具備： 決定部，其係藉由前述判定部判定為有異常時，再度決定處理條件；及 更新控制部，其係控制成以前述決定部所決定之處理條件進行更新。
  7. 一種基板處理系統，係具備： 至少一個感測器，其係設置於基板處理裝置，檢知在對象基板處理中之對象物理量； 第一存儲體，其係對基板之批次，與該基板處理中之過去物理量的時間序列資料之至少一個相關連而記憶； 抽出部，其係參照前述第一存儲體，抽出對應於處理之對象基板批次的過去物理量之時間序列資料； 是否需要維修判定部，其係比較藉由前述感測器所檢知之發生異常時的物理量之時間序列資料、與藉由前述抽出部所抽出之過去的物理量之時間序列資料，判定是否需要維修； 第二存儲體，其係將至少一個以上之物理量有無異常的組合、與異常原因及/或異常之解決法相關連而記憶；及 原因分析部，其係藉由前述是否需要維修判定部判定為需要維修時，參照前述第二存儲體，輸出依物理量有無異常之組合的異常原因及/或異常之解決法。
  8. 一種基板處理系統，係具備： 資訊處理裝置，其係以通信線路連接於複數個基板處理裝置；及 霧電腦（Fog Computer）或終端機，其係以通信線路與前述資訊處理裝置連接； 前述資訊處理裝置從前述複數個基板處理裝置收集資料，對該收集之資料實施處理，並將處理結果傳送至前述霧電腦或前述終端機， 前述霧電腦或前述終端機接收前述處理結果時，以輸出該處理結果之方式進行控制。
  9. 如請求項8之基板處理系統，其中前述資訊處理裝置具有以下手段： 從前述收集之資料抽出基板處理條件、基板處理台狀態、及/或修整均勻性達基準以上有關連的參數；及 在基板處理裝置之間比較前述抽出之參數，依比較結果更新前述資料中至少一個參數。
TW109116511A 2019-05-22 2020-05-19 基板處理系統 TW202044394A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019095619 2019-05-22
JP2019-095619 2019-05-22

Publications (1)

Publication Number Publication Date
TW202044394A true TW202044394A (zh) 2020-12-01

Family

ID=73459387

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109116511A TW202044394A (zh) 2019-05-22 2020-05-19 基板處理系統

Country Status (7)

Country Link
US (1) US20220234164A1 (zh)
JP (1) JPWO2020235581A1 (zh)
KR (1) KR20220011144A (zh)
CN (1) CN113853275B (zh)
SG (1) SG11202112854XA (zh)
TW (1) TW202044394A (zh)
WO (1) WO2020235581A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI826877B (zh) * 2020-12-18 2023-12-21 美商應用材料股份有限公司 拋光基板及匹配拋光系統之間的拋光效能的方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230153443A (ko) * 2021-03-05 2023-11-06 어플라이드 머티어리얼스, 인코포레이티드 이미지들의 시간 기반 시퀀스를 사용하는 cmp 컴포넌트의 이탈 검출
JP2023122817A (ja) * 2022-02-24 2023-09-05 株式会社荏原製作所 研磨終点検出方法、研磨終点検出システム、研磨装置、およびコンピュータ読み取り可能な記録媒体
JP2024019962A (ja) * 2022-08-01 2024-02-14 株式会社荏原製作所 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
KR102605515B1 (ko) * 2022-09-15 2023-12-29 (주)성화에스티 인공지능 기반, 피가공물 두께에 기초한 가공 시스템

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000202768A (ja) * 1999-01-12 2000-07-25 Tdk Corp 研磨方法及び装置、及び薄膜磁気ヘッドの製造方法
JP2001138218A (ja) * 1999-11-12 2001-05-22 Nec Corp Ｃｍｐ加工機
US7156717B2 (en) * 2001-09-20 2007-01-02 Molnar Charles J situ finishing aid control
JP4068404B2 (ja) * 2002-06-26 2008-03-26 大日本スクリーン製造株式会社 基板処理システム、基板処理装置、基板処理方法、プログラム及び記録媒体
JP4355193B2 (ja) * 2003-11-10 2009-10-28 株式会社ルネサステクノロジ 半導体デバイスの製造方法及び半導体デバイス製造システム
JP2006310504A (ja) * 2005-04-28 2006-11-09 Matsushita Electric Ind Co Ltd 半導体装置の製造方法
TWI422798B (zh) * 2006-10-06 2014-01-11 Ebara Corp 加工終點檢測方法、研磨方法及研磨裝置
JP2009004442A (ja) * 2007-06-19 2009-01-08 Renesas Technology Corp 半導体ウェハの研磨方法
JP2013176828A (ja) 2012-02-29 2013-09-09 Ebara Corp 研磨終点検出装置の遠隔監視システム
JP6370084B2 (ja) * 2014-04-10 2018-08-08 株式会社荏原製作所 基板処理装置
WO2015163164A1 (ja) * 2014-04-22 2015-10-29 株式会社 荏原製作所 研磨方法および研磨装置
JP6357260B2 (ja) * 2016-09-30 2018-07-11 株式会社荏原製作所 研磨装置、及び研磨方法
US11565365B2 (en) * 2017-11-13 2023-01-31 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for monitoring chemical mechanical polishing
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI826877B (zh) * 2020-12-18 2023-12-21 美商應用材料股份有限公司 拋光基板及匹配拋光系統之間的拋光效能的方法

Also Published As

Publication number Publication date
SG11202112854XA (en) 2021-12-30
CN113853275A (zh) 2021-12-28
US20220234164A1 (en) 2022-07-28
CN113853275B (zh) 2023-08-29
KR20220011144A (ko) 2022-01-27
JPWO2020235581A1 (zh) 2020-11-26
WO2020235581A1 (ja) 2020-11-26

Similar Documents

Publication Publication Date Title
TW202044394A (zh) 基板處理系統
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
EP3553613B1 (en) Learning processing and diagnostics method for a plurality of machine tools
KR100756728B1 (ko) 반도체 처리 기술
CN100432879C (zh) 运行至运行控制与故障检测的集成
TWI412906B (zh) 具有虛擬量測功能的製造執行系統與製造系統
JP6645993B2 (ja) 処理装置、装置管理コントローラ、及びプログラム並びに半導体装置の製造方法
CN100376024C (zh) 控制等离子体处理系统的方法和自动程序控制系统
CN108829933A (zh) 一种半导体制造设备的预测性维护与健康管理的方法
JP2019185422A (ja) 故障予知方法、故障予知装置および故障予知プログラム
US7184910B2 (en) Method of compensating sensor data and evaluating an interlock of an interlock system
US11897078B2 (en) Polishing apparatus, information processing system, polishing method, and computer-readable storage medium
CN107831736B (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测
US7957821B2 (en) Systems and methods for statistical process control
US6687561B1 (en) Method and apparatus for determining a sampling plan based on defectivity
US6821792B1 (en) Method and apparatus for determining a sampling plan based on process and equipment state information
WO2020183539A1 (ja) 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム
CN1592873A (zh) 具有状态和模型参数估计的半导体批次控制系统
US6732007B1 (en) Method and apparatus for implementing dynamic qualification recipes
JP2008177534A (ja) 半導体製造装置の管理方法、および半導体製造装置の管理システム
US20230052392A1 (en) Process abnormality identification using measurement violation analysis
US20230315044A1 (en) Method and device for monitoring a milling machine
TW201713456A (zh) 製造效率最佳化平台及刀具狀態監測及預測方法
US7020535B1 (en) Method and apparatus for providing excitation for a process controller
US6988225B1 (en) Verifying a fault detection result based on a process control state